Dzięki statystykom inwazyjnym próbuje się osiągnąć rezolucje, które wykraczają poza szybkie informacje. Na przykład, wykorzystujemy statystyki, aby spróbować domyślić się na podstawie tych informacji, co może sądzić ludność. Albo z drugiej strony, wykorzystujemy statystyki infekcyjne do podejmowania decyzji o prawdopodobieństwie, że obserwowane rozróżnienie między zgromadzeniami jest wiarygodne, albo że mogło się zdarzyć przypadkowo w tym badaniu. Dlatego też wykorzystujemy inferencyjne spostrzeżenia, aby dokonać dedukcji z naszych informacji do coraz szerszych warunków; wykorzystujemy oświecające pomiary w zasadzie do zobrazowania tego, co dzieje się w naszych informacjach.

Tutaj skupiam się na statystykach infekcyjnych, które są pomocne w strukturze badań próbnych i pół-testowych lub w ocenie wyników programu. Być może jeden z najmniej trudnych testów inwazyjnych jest używany, gdy trzeba pomyśleć o normalnym wykonaniu dwóch zgromadzeń na pojedynczym pomiarze, aby sprawdzić, czy istnieje różnica. Powinieneś wiedzieć, czy młodzi mężczyźni i młode damy w ósmej klasie różnią się wynikami testu z matematyki, czy też spotkanie programowe różni się od spotkania kontrolnego. W każdym momencie, gdy chcesz myśleć o normalnym wykonaniu pomiędzy dwoma spotkaniami, powinieneś rozważyć t-test na kontrasty pomiędzy spotkaniami.

Większa część głównych spostrzeżeń infekcyjnych pochodzi z ogólnej grupy modeli mierzalnych, znanych jako ogólny model liniowy. Obejmuje to test t, analizę wariancji (ANOVA), analizę kowariancji (ANCOVA), badanie nawrotów oraz wiele technik wieloczynnikowych, takich jak badanie czynnikowe, skalowanie wielowymiarowe, badanie grupowe, badanie pracy dyskryminacyjnej, itp. Biorąc pod uwagę znaczenie Ogólnego Modelu Liniowego, jest to sprytny pomysł dla każdego prawdziwego naukowca społecznego, aby czuć się komfortowo w jego działaniu. Rozmowa o Generalnym Modelu Liniowym jest tu niezwykle podstawowa i dotyczy jedynie najmniej skomplikowanego modelu liniowego. Tak czy inaczej, zapozna Państwa z możliwością bezpośredniego modelu i pomoże ustawić się do bardziej skomplikowanych badań przedstawionych poniżej.

Jednym z kluczy do zobaczenia, w jaki sposób myśli się o zgromadzeniach, jest idea “atrapy” zmiennej. Nazwa nie sugeruje, że używamy zmiennych, które nie są sprytne lub, o wiele bardziej straszne, że egzaminator, który ich używa jest “manekinem”! Może te zmienne byłyby lepiej przedstawione jako zmienne “pośrednie”. Zasadniczo fałszywą zmienną jest taka, która wykorzystuje dyskretne liczby, zwykle 0 i 1, aby mówić do różnych zgromadzeń w swoim badaniu. Głupie zmienne są prostą myślą, która daje możliwość zaistnienia kilku naprawdę zagmatwanych rzeczy. Na przykład, poprzez włączenie prostej zmiennej fikcyjnej do modelu, mogę wyświetlić dwie oddzielne linie (jedną dla każdego zebrania zabiegowego) z samotnym stanem. Aby dostrzec, jak to działa, spójrz na wymianę na atrapy zmiennych.

Jednym z najbardziej znaczących badań w ocenie wyników programu jest kontrastowanie programu i nie-programowej grupy na zmiennej wynikowej lub czynnikach. Plany badawcze są podzielone na dwa istotne rodzaje struktur: testową i półtestową. Ponieważ badania różnią się dla każdego z nich, są wyświetlane niezależnie.

Analiza poszukiwawcza. Proste, dwugrupowe badanie z randomizacją po teście jest zwykle badane za pomocą podstawowego testu t lub jednokierunkowego testu ANOVA. Czynnikowe struktury próbne są zwykle badane za pomocą modelu ANOVA (Analysis of Variance). Randomized Block Designs wykorzystują nietypowy typ modelu blokowego ANOVA, który wykorzystuje zakodowane czynniki do przemawiania do kwadratów. Analiza Projektu Eksperymentalnego Covariance wykorzystuje, jak każdy może się spodziewać, analizę modelu mierzalnego Covariance.

Analiza półeksperymentalna. Struktury pół-testowe różnią się od testowych tym, że nie wykorzystują arbitralnych zadań do przydzielania jednostek (np. osób) do programowania zgromadzeń. Brak arbitralnych zadań w tych planach na ogół zagłuszy ich analizę w sposób imponujący. Na przykład, aby przeprowadzić sekcję Projektu Grup Nierównoważnych (NEGD), musimy zmodyfikować wyniki pretestowe dla błędu oszacowania w tak zwanej analizie kowariancji (ang. Reliability-Corrected Analysis of Covariance). W projekcie Regression-Discontinuity, powinniśmy być szczególnie zaniepokojeni krzywizną i brakiem precyzji modelu. W związku z tym będziemy generalnie stosować konserwatywne podejście badawcze, które zależy od nawrotu wielomianowego, zaczynającego się od przekroczenia zakładanej pojemności rzeczywistej, a następnie od zmniejszenia modelu w zależności od wyników. Regression Point Displacement Design posiada tylko jednostkę traktowaną samotnie. Badanie konfiguracji RPD zależy bezpośrednio od zwyczajowego modelu ANCOVA.

Po zbadaniu tych różnych modeli diagnostycznych można zauważyć, że wszystkie one pochodzą z podobnej rodziny – General Linear Model. Zrozumienie tego modelu znacznie ułatwi Państwu zapoznanie się ze złożonością badań informacyjnych w środowisku badań stosowanych i społecznych.